يُعدّ السرطان الرحمي من أكثر الأمراض فتكًا وانتشارًا بين النساء حول العالم. وهو قابل تمامًا للشفاء إذا تم تشخيصه في مرحلة مبكرة، لكن إجراءات الكشف المعقدة والمبذولة لتكاليف عالية تجعل من الصعب إجراء فحوصات واسعة النطاق على السكان. ولتعزيز جهود الأطباء، نقترح في هذا البحث إطارًا تلقائيًا بالكامل يستخدم التعلم العميق واختيار الميزات من خلال التحسين التكاملي لتصنيف صور الخلايا الظهارية. يُستخرج الإطار المقترح ميزات عميقة من عدة نماذج شبكة عصبية تلافيفية (CNN)، ويُطبّق نهجًا ثنائي الخطوات لتقليل الميزات بهدف تقليل التكلفة الحسابية وتسريع التقارب. تشكل الميزات المستخرجة من نماذج CNN فضاءً واسعًا للميزات، يتم تقليل أبعاده باستخدام تحليل المكونات الرئيسية (PCA) مع الحفاظ على 99% من التباين. ثم يتم اختيار مجموعة ميزات مثلى وغير متكررة من هذا الفضاء باستخدام خوارزمية تحسين تكامليّة، وهي خوارزمية "الذئب الرمادي" (Grey Wolf Optimizer)، مما يُحسّن أداء التصنيف. وأخيرًا، تُستخدم المجموعة المختارة من الميزات لتدريب فاصل داعم المتجهات (SVM) لإنتاج التنبؤات النهائية. وقد تم تقييم الإطار المقترح على ثلاث مجموعات بيانات معيارية مفتوحة المصدر: مجموعة بيانات ميندلي للخلايا السائلة (4 فئات)، ومجموعة بيانات هيرليف لفحص السائل الظهاري (7 فئات)، ومجموعة بيانات SIPaKMeD لفحص السائل الظهاري (5 فئات)، حيث حققت دقة تصنيف بلغت 99.47% و98.32% و97.87% على التوالي، مما يبرر موثوقية النهج المقترح. يمكن العثور على الشيفرات المتعلقة بالنهج المقترح في: https://github.com/DVLP-CMATERJU/Two-Step-Feature-Enhancement